Słowniczek

System, który sam planuje i wykonuje kroki z użyciem narzędzi, by osiągnąć cel.

Sztuczna inteligencja ogólna — hipotetyczny system dorównujący ludziom w większości zadań.

Unijne rozporządzenie o sztucznej inteligencji (2024), oparte na poziomach ryzyka.

Kompetencje w zakresie AI; art. 4 AI Act wymaga ich zapewnienia przez organizacje używające AI.

Przepis krok po kroku na rozwiązanie problemu.

Badania nad tym, jak sprawić, by AI działała zgodnie z intencjami i wartościami ludzi.

Sytuacja, w której algorytm pokazuje nam głównie treści zgodne z naszymi poglądami.

Standardowy test do porównywania modeli.

Systematyczne skrzywienie wyników AI, często krzywdzące określone grupy.

Standard zapisujący podpisaną historię pochodzenia pliku cyfrowego.

Program prowadzący rozmowę w języku naturalnym.

Sprawdzanie wiarygodności źródła przez zajrzenie do innych źródeł o nim.

Przykłady, na których model się uczy.

Realistyczne fałszywe wideo, zdjęcie lub głos stworzone przez AI.

Celowo rozpowszechniana fałszywa informacja.

Dodatkowy trening gotowego modelu na mniejszym, wyspecjalizowanym zbiorze danych.

Model wytrenowany na ogromnej ilości tekstu do przewidywania kolejnych tokenów.

Technika promptowania: podajesz kilka przykładów, a model naśladuje wzór.

Nieliniowa funkcja w neuronie (np. ReLU), dzięki której sieć uczy się złożonych kształtów.

Miara tego, jak bardzo model się myli. Trening dąży do jej zmniejszenia.

Dwie sieci rywalizujące ze sobą: jedna tworzy fałszywki, druga je wykrywa (2014).

AI tworząca nowe treści: tekst, obrazy, dźwięk, wideo, kod.

Uczenie maszynowe z użyciem sieci neuronowych o wielu warstwach.

Karta graficzna — procesor świetny w równoległych obliczeniach, kluczowy do treningu AI.

Przekonująca, ale nieprawdziwa treść wygenerowana przez AI.

Badania nad tym, co dzieje się wewnątrz modelu i dlaczego daje takie odpowiedzi.

Próba obejścia zabezpieczeń modelu sprytnie sformułowanym poleceniem.

Model Context Protocol — standard podłączania narzędzi i danych do asystentów AI.

Model złożony z wielu „ekspertów”, z których dla każdego tokenu aktywuje się tylko część.

Wynik treningu: zestaw parametrów, który zamienia wejście (np. pytanie) w wyjście (np. odpowiedź).

Generator obrazów, który tworzy grafikę, stopniowo usuwając szum.

Model AI ogólnego przeznaczenia — kategoria z AI Act z osobnymi obowiązkami dostawców.

Model o publicznie dostępnych wagach, który można uruchomić samodzielnie.

Model, który przed odpowiedzią generuje wewnętrzny tok rozumowania.

Zdolność modelu do pracy z wieloma rodzajami danych: tekstem, obrazem, dźwiękiem.

Prosta jednostka obliczeniowa: suma ważona wejść i funkcja aktywacji.

Ile tokenów model może wziąć pod uwagę jednocześnie.

Liczba wewnątrz modelu (np. waga), dopasowywana podczas treningu. Duże modele mają ich miliardy.

Pierwszy uczący się model neuronu (1958), rozdzielający dane prostą linią.

Polecenie lub pytanie, które wpisujesz do AI.

Atak polegający na ukryciu poleceń w treści, którą czyta AI.

Ukryte instrukcje, które określają zachowanie asystenta AI.

Sposób obliczania, jak każdy parametr sieci przyczynił się do błędu.

Model „wykuł” dane treningowe i słabo radzi sobie z nowymi.

Retrieval-Augmented Generation — dołączanie wyszukanych dokumentów do pytania, by odpowiedź opierała się na źródłach.

Uczenie ze wzmocnieniem na podstawie ocen ludzi — sposób na pomocne i bezpieczne odpowiedzi chatbotów.

Unijne przepisy o ochronie danych osobowych, obowiązujące także narzędzia AI.

Typ sieci szczególnie dobry w analizie obrazów.

Połączone warstwy sztucznych neuronów, które uczą się rozpoznawać wzorce.

Metoda treningu: parametry przesuwa się małymi krokami w kierunku zmniejszającym błąd.

Według AI Act — m.in. AI w edukacji, rekrutacji, kredytach; podlega surowym wymogom.

Dziedzina informatyki tworząca systemy, które wykonują zadania kojarzone z inteligencją, ucząc się z danych.

Ustawienie, które decyduje, jak przewidywalnie lub kreatywnie model wybiera słowa.

Propozycja z 1950 roku: maszyna „myśli”, jeśli w rozmowie nie da się jej odróżnić od człowieka.

Kawałek tekstu (słowo lub jego część), na którym operuje model językowy.

Architektura sieci z 2017 roku oparta na mechanizmie uwagi; podstawa dzisiejszych modeli językowych.

Metoda, w której komputer sam wyznacza reguły na podstawie przykładów, zamiast dostać je od programisty.

Uczenie na przykładach z etykietami (np. „kot”, „pies”).

Model sam szuka grup i struktur w danych bez etykiet.

Model uczy się przez nagrody i kary za działania (np. AlphaGo).

Mechanizm, dzięki któremu każdy token „patrzy” na inne tokeny, by zrozumieć kontekst.

Parametr określający, jak mocno dany sygnał wpływa na neuron.

System wyspecjalizowany w jednym zadaniu.

Lista liczb opisująca znaczenie słowa, obrazu lub dźwięku; podobne znaczenia mają podobne wektory.

Używanie wytrenowanego modelu do generowania odpowiedzi.

Niewidoczne oznaczenie w treści wygenerowanej przez AI (np. SynthID).